جلسات ضبطشده منبع دانشی ارزشمندی هستند که کمتر از ظرفیتشان استفاده میشود. جستوجو در آنها دشوار و مرور دوبارهشان زمانبر است و در درایوهای جداگانه تیمها پراکندهاند؛ در نتیجه، بینشهای ارزشمند اغلب نادیده میمانند.
در یک هکاتون یکروزه، تیمی سهنفره Callombia را ساخت. این پلتفرم داخلی، تماسهای ضبطشده را بهطور خودکار رونویسی، برچسبگذاری و خلاصه میکند، از آنها کلیپ میسازد و در محل نگهداری قابلجستوجویی شبیه YouTube قرار میدهد که همه دفاتر جهانی به آن دسترسی دارند.
این راهکار که تماماً با Codex ساخته شده، از جستوجوی معنایی مبتنی بر امبدینگهای OpenAI و شباهت کسینوسی بهره میبرد تا حتی بدون استفاده از کلیدواژههای دقیق، لحظات مرتبط را پیدا کند؛ یک چتبات RAG و سامانه اعلان نیز به آن افزوده شده است.
کاری که زمانی هفتهها طول میکشید، در هفت ساعت انجام شد. این دستاورد نشان داد توسعه مبتنی بر هوش مصنوعی با عاملهای کدنویسی مانند Codex چگونه میتواند چرخه توسعه محصول را بهشدت کوتاه کند و از هکاتونهای داخلی ارزش تجاری واقعی بسازد.
اگر مثل من باشید، بهندرت وقت یا تمرکز کافی برای گوشدادن دوباره به جلسات ضبطشده دارید. دلیلش هم معمولاً این است که باید در درایوهای آشفته تیمها جستوجو کنید، از گفتوگوهای معمولی و کمارزش بگذرید و همزمان با فرستادن ایمیل و پیام، سعی کنید واقعاً گوش بدهید.
اما شاید لازم نباشد اوضاع اینطور باشد؟ شاید بتوانیم چیزی بسازیم که تجربه استفاده از جلسات ضبطشده را کاملاً دگرگون کند؟ پروژه اخیر هکاتون ما از همین ایده شکل گرفت.
تنها در یک روز، ۵۰ نفر از اعضای تیمهای مهندسی، تحویل و عملیات ما به سراغ مسائل گوناگونی از سراسر کسبوکار رفتند؛ از گسترش عملیات استخدام و سادهسازی تهیه شرح کار (SoW) گرفته تا ارزیابی سلامت پروژه، تولید زنده نمونه اولیه و استخراج بینش از جلسات ضبطشده.
در این هکاتون مبتنی بر Codex، ما Callombia را ساختیم. Callombia همان YouTube کسبوکار ماست که هر تماس را به منبعی زنده و قابلجستوجو تبدیل میکند. هر تماس بهطور خودکار رونویسی، برچسبگذاری و خلاصه میشود، سپس به کلیپهای موضوعی تقسیم و به محل نگهداری افزوده میشود که بر اساس کانالها (مشتریان) و موضوعات (حوزههای تخصصی هوش مصنوعی) دستهبندی شده است. بهاینترتیب، هر عضو تیم در لندن، ادینبرو، سنگاپور یا استرالیا میتواند فوراً به بخشهای موردنظر خود از تماسها دسترسی پیدا کند.
یک رابط کاربری آشنا و هماهنگ با هویت برند، کشف محتوا را آسان میکند و جستوجوی معنایی ــ و البته چتبات هوش مصنوعی RAG ــ به افراد کمک میکند دقیقاً آنچه را میخواهند بیابند. افزودن سامانه اعلان نیز به همکاران ما امکان میدهد موضوعات مشخصی را دنبال کنند و با انتشار کلیپهای تازه و مرتبط، باخبر شوند.
اما جذابیت Callombia نه خود محصول است و نه جایزه ۲ هزار پوندی بردن هکاتون ــ هرچند جای فخرفروشی دارد ــ بلکه این است که توانستیم همه آن را تنها در هفت ساعت، با دو مهندس و یک مدیر تحویل بسازیم. یک سال پیش چنین کاری ممکن نبود. پیشرفت عاملهای کدنویسی، فرایند سرتاسری توسعه محصول را بهشدت شتاب داده است و این هکاتون بستر آزمایشی بسیار خوبی برای شناخت مرزهای ناهموار قابلیتهای آن بود. پس چگونه از Codex استفاده کردیم؟
بهجای نوشتن فهرستی بلند از نیازمندیها، ابتدا برداشت مشترکمان از مسئله و چشمانداز Callombia را در قالب یک اعلان ارائه کردیم. عمداً توضیحات را کلی نگه داشتیم تا مدل کار را پیش ببرد و فرصت خلاقانه اندیشیدن داشته باشد:
پس از ۱۰ دقیقه گفتوگوی رفتوبرگشتی، Plan Mode را فعال کردیم تا نیازمندیها دقیقتر شوند و مسیر فنی ساخت محصول مشخص شود. Plan Mode حسی شبیه پاسخدادن به پرسشهای آن دوست کلافهکنندهای دارد که با نیت کمک، تمام سناریوهای ممکن را از قبل بررسی کرده است. پس از توافق درباره مواردی مانند تعداد ویدئوها، انتخاب میان جستوجوی معنایی یا کلیدواژهای و معماری مورد استفاده، یک فایل Markdown ساخت که از آن پس مبنای پروژه شد.
پس از آمادهشدن برنامه، گام بعدی ساخت اجزای اصلی بود که Callombia را واقعاً به کار میانداختند. یعنی باید خط لولهای میساختیم که تماسهای ضبطشده را به منابع قابلجستوجو تبدیل کند:
دریافت ویدئوها و رونوشتها،
تقسیم آنها به لحظات معنادار،
غنیسازی آنها با خلاصهها و برچسبها،
و ارائه آنها از طریق APIهایی که فرانتاند بتواند مصرف کند.
اد بیشتر بر تبدیل فایلهای خام ضبطشده و دادههای رونوشت به قالبی قابلاستفاده تمرکز داشت و نیکو بیشتر روی لایه بازیابی کار میکرد تا آن لحظات قابلکشف شوند. هر دو با کمک Codex توانستند مدلهای داده، اسکریپتهای استخراج و زیرساخت بکاند را بسیار سریعتر از روش دستی راهاندازی کنند. نتیجه بسیار فراتر از یک رونوشت پیوستشده به ویدئو بود. ما به لحظات مشخص دست یافتیم: بخش Tesco، بهروزرسانی راهبرد، بحث استخدام یا همان ۹۰ ثانیه مشخصی از یک تماس که کسی واقعاً میخواهد تماشا کند.
لایه بازیابی همان جایی بود که کار بهویژه جذاب شد. میخواستیم کاربر عبارتی مانند “financial performance,” “Tesco roadmap,” یا “conversation evals” را وارد کند و حتی اگر عین این واژهها هرگز گفته نشده باشند، به مرتبطترین کلیپها برسد. برای این کار، قطعههایی شامل مُهر زمانی، خلاصه، متن رونوشت و فراداده ایجاد کردیم. با معماری مشخص و کمک فراوان Codex، موضوع، خلاصه و رونوشت را در یک ورودی ترکیب کردیم و با مدل text-embedding-3-small متعلق به OpenAI، برای هر قطعه امبدینگ ساختیم. این امبدینگها را در پایگاه داده ذخیره کردیم و با استفاده از شباهت کسینوسی، پرسوجوی کاربر را با همه قطعهها سنجیدیم؛ بنابراین بهجای جستوجوی ساده کلیدواژهای، یک لایه بازیابی معنایی داشتیم.
این روش از نظر دقت بسیار خوب عمل کرد و در نمایش هکاتون، حس «جادویی» محصول را رقم زد. در عین حال میدانستیم اگر تعداد ویدئوها پیوسته افزایش یابد، این رویکرد برای همیشه مقیاسپذیر نخواهد بود؛ زیرا مقایسه هر پرسوجو با تمام قطعهها سرانجام بیشازحد پرهزینه میشود. گام طبیعی بعدی، بهکارگیری راهبردهای کارآمدتر بازیابی مانند Hierarchical Navigable Small World است تا تعداد مقایسهها کاهش یابد و با گسترش مجموعه داده، تأخیر پایین بماند. وقتی این قابلیت به کار افتاد، Callombia دیگر کمتر شبیه یک کتابخانه رسانهای و بیشتر شبیه یک سامانه دانش به نظر میرسید.
مثل هر هکاتون خوب دیگری، این بخش هم به تکرار و اصلاح نیاز داشت: مرز قطعههای اولیه بیشازحد تقریبی بود، بعضی مُهرهای زمانی باید دقیقتر میشدند، برخی برچسبها خیلی کلی بودند و فایلهای رونوشت و ضبط همیشه بهخوبی با هم تطابق نداشتند. اما ارزش کار نیز دقیقاً همینجا آشکار شد. Codex به ما امکان داد بهجای گرفتارشدن در راهاندازی و دوبارهکاری، سامانه را سریع اصلاح کنیم. در پایان، بکاندی داشتیم که میتوانست کلیپها، گزیدهها و جستوجوی معنایی واقعاً کاربردی را پشتیبانی کند؛ همان نقطهای که Callombia بهجای صرفاً یک نمایش هکاتونی، شبیه محصولی واقعی شد.
همزمان که اد و نیکو لایه دریافت داده و هوشمندی را میساختند، من فرانتاند را ساختم. با استفاده از قالب فولاستک خودمان، توانستم بدون نوشتن حتی یک خط کد، نخستین نسخه وبسایت را بهسرعت راهاندازی کنم. پس از اینکه از آن میخواستم وبسایت را بهصورت محلی در مرورگرم باز کند، بازخوردهای ساده و فهرستوار میدادم تا طراحی در چند مرحله به نتیجه دلخواهم برسد.
پس از حدود یک ساعت رفتوبرگشت، به چیزی رسیدم که کاملاً از آن راضی بودم؛ آن هم بدون هیچ تجربهای در رابط کاربری یا طراحی. هرچند محصول نهایی قطعاً بینقص نیست، نسخه اولیه بسیار خوبی است که به افراد کمک میکند محصول را درک کنند.
برای اینکه مطمئن شویم تا پایان روز چیزی برای ارائه داریم، کار را میان خودمان تقسیم کرده بودیم. طبیعتاً پس از چند ساعت کار نسبتاً مستقل، هرکدام شاخه محلی خودمان را داشتیم که پر از تداخل بود.
بهجای صرف زمانی که نداشتیم برای بررسی دقیق و رفع تداخلها، تصمیم گرفتیم Codex را روی محلهای نگهداری کد رها کنیم تا خودش آنها را برطرف کند. هرچند فعلاً چنین روشی را برای توسعه نرمافزار در سطح سازمانی توصیه نمیکنیم، دیدن کارایی آن در محیطی کمریسک شگفتانگیز بود و ساعتها در وقتمان صرفهجویی کرد.
بخش پایانی هکاتون، ضبط ویدئوی نمایشی Callombia برای داوران بود. غریزهمان میگفت برای ضبط سراغ Loom برویم، اما فکر کردیم این کار میتواند آزمونی واقعی برای Codex باشد؛ کاری که کمی فراتر از قابلیتهای فعلی آن است. پس... یک اعلان نوشتیم، پیوند وبسایت Callombia و فایل ضبطشده صدای من در پلتفرم توسعهدهندگان OpenAI را در اختیارش گذاشتیم و خواستیم بقیه کار را انجام دهد.
نخستین تلاش بسیار چشمگیر بود: متن ویدئوی نمایشی را نوشته، صفحه را ضبط کرده، صدای من را روی آن گذاشته و تقریباً دقیقاً همان نتیجه درخواستی را تحویل داده بود. تنها موردی که همان ابتدا راضیمان نکرد، هماهنگی صداگذاری با ویدئوی نمایشی بود؛ بنابراین از آن خواستیم: “MANDATORY: align the voiceover exactly with what is being shown in the demo. There was misalignment (e.g. on the chat page). Triple check alignment of voiceover and the screen-recorded demo at the end. Match it up through whichever means possible.”
Codex در پاسخ، صداگذاری و ویدئو را به بخشهای کوچکتر تقسیم کرد و درست پیش از ساعت ۵:۳۰ عصر و زمان جشن با نوشیدنی و پیتزا، کار را تقریباً بینقص به پایان رساند.
میدانیم Callombia مشکلی را حل میکند که بیشتر کسبوکارها با آن روبهرو هستند. حضور در تکتک تماسهای شرکتی که بهسرعت در حال رشد است دشوار است، اما نکتههای ارزشمندی که در این تماسها مطرح میشوند، بهایی ندارند. حالا فقط باید آن را وارد محیط عملیاتی کنیم.
اما درس بزرگتر این تجربه، پذیرش رویکردی بومی در هوش مصنوعی و ارزش بهکارگیری دانش مهندسی و محصول برای حل مسائل مشترک است. با فاصلهگرفتن از چرخه معمول کار، همکاری میان تیمها و فعالیت در محیطی نسبتاً رقابتی، در نهایت به چندین راهکار رسیدیم که با کمی اصلاح میتوانستند وارد محیط عملیاتی شوند. اگر این کار را مرتب انجام دهیم، میتوانیم مطمئن شویم فرایندهای داخلیمان نیز بهاندازه راهکارهایی که برای مشتریان میسازیم، روان و کارآمد هستند.